La présentation de Google DeepMind du 15 octobre suit un peptide antimicrobien proposé, d'une entrée de base de données jusqu'à un plan d'essais en laboratoire. Le chercheur a choisi la question biologique et dirigé chaque nouvelle vérification. Un agent Antigravity a recherché et relié des annotations de protéines, des comparaisons de séquences et de structures, le contexte génomique et la littérature publiée. Google indique que le candidat est en cours de validation expérimentale en laboratoire. Le récit présente une piste informatique, sans résultat expérimental montrant encore que le peptide tue des bactéries.

Pour une équipe de biologie, le détail utile est la chaîne de preuves derrière cette piste. Une fonction prédite peut suggérer où chercher ; une ressemblance structurelle ou un gène voisin peut renforcer les raisons de tester. Chacun reste un type d'indice différent, et aucun ne mesure l'activité antimicrobienne.

Le grand changement

  • Ce qui change : La présentation de Google montre un chercheur dirigeant un agent pour réunir, dans un même environnement de travail, des preuves de séquence, de structure et de contexte génomique pour un candidat peptide. Le résultat est une hypothèse testable et un plan d'essais, sans résultat d'activité antimicrobienne rapporté.
  • Pourquoi c'est important : Les biologistes passent du temps à relier des indices issus de ressources distinctes avant de choisir quoi tester. Un agent qui réunit ces indices peut donner aux équipes une base plus claire pour hiérarchiser un travail de laboratoire limité, à condition que les chercheurs vérifient les correspondances et annotations sous-jacentes. Google ne dit pas si ce processus améliore le taux de découvertes.
  • Ce qu'il faut surveiller : Google indique que le candidat est en cours de validation expérimentale en laboratoire. Les résultats d'expression, de sensibilité, d'interaction avec la cible et de toxicité détermineront s'il était pertinent de faire avancer ce dossier précis. Pour les responsables de recherche, la question plus large est de savoir si les preuves réunies par des agents résistent assez souvent à la vérification pour orienter des capacités expérimentales rares. Ce seul candidat ne peut pas encore y répondre.

De l'annotation au candidat

Selon Google, la tâche initiale consistait à trouver et à évaluer par le calcul de nouveaux peptides antimicrobiens chez Streptococcus pseudopneumoniae. Le chercheur a guidé une recherche interactive d'entrées UniProt annotées avec ProtNLM, le modèle de Google prédisant la fonction des protéines à partir de leur séquence. L'agent a restreint la recherche à des candidats dont A0A0U0D591. Ces détails d'entrée proviennent du récit de Google ; BIG CHANGE n'a pas pu récupérer de manière indépendante l'enregistrement structuré UniProt pendant cette vérification.

Le chercheur a ensuite demandé une recherche BLAST parmi les protéines Swiss-Prot examinées manuellement. Selon Google, aucun homologue de séquence significatif n'y a été trouvé. Il s'agit d'une comparaison dans une base de données délimitée, et non d'une preuve que la molécule est nouvelle pour la biologie. L'agent a ensuite récupéré une structure prédite par AlphaFold et utilisé une comparaison structurelle pour trouver une ressemblance avec une bactériocine déterminée expérimentalement. Les recherches de séquence et de structure répondent à des questions différentes : des protéines peuvent avoir une faible similarité de séquence tout en se ressemblant en trois dimensions. La correspondance structurelle rapportée par Google étaye le rattachement proposé à une famille, mais un repliement prédit n'établit ni l'activité ni la cible du candidat.

La vérification génomique a ajouté un troisième indice. Google rapporte que le gène du candidat se situe six paires de bases en amont d'une perméase de transporteur ABC et d'une possible protéine partenaire de liaison à l'ATP, avec une autre bactériocine annotée et un régulateur XRE à proximité. De tels voisins peuvent appuyer l'interprétation selon laquelle un peptide appartient à un système de bactériocines. Cette organisation ne peut pas montrer à elle seule que le gène est exprimé, que le peptide est sécrété ou qu'il inhibe un pathogène.

L'expérience reste l'étape décisive

Après avoir examiné la littérature, l'agent a proposé un mécanisme impliquant la division des cellules bactériennes et un possible spectre d'activité incluant des pathogènes résistants aux médicaments. Les deux sont des hypothèses tirées d'autres preuves, telles que Google les présente. Le plan de laboratoire suggéré par l'agent couvre l'expression protéique, la sensibilité antimicrobienne, l'interaction avec la cible et les essais de toxicité. Google indique que ce candidat et d'autres trouvés par ce processus sont en cours de validation expérimentale en laboratoire, sans présenter les résultats de ces essais dans sa démonstration.

Plusieurs questions restent donc à traiter expérimentalement : les chercheurs peuvent-ils produire le peptide, inhibe-t-il un organisme testé à des concentrations mesurées, avec quelle cible interagit-il et comment affecte-t-il les cellules dans les essais de toxicité ? Un résultat positif de sensibilité devrait encore être interprété avec les preuves du mécanisme et de la sécurité. Ni le spectre proposé ni le plan ne prouvent l'existence d'un médicament efficace.

L'environnement de travail peut être utile aux équipes qui savent déjà évaluer les bases de données sous-jacentes et choisir des essais décisifs. La page d'accès de Google pour la science indique que le plugin Science s'installe depuis la place de marché Customizations intégrée à Antigravity et propose à 10 000 scientifiques de déposer une candidature pour recevoir gratuitement son niveau d'utilisation le plus élevé. Les captures d'écran de la présentation sur le peptide montrent Gemini 3.8 Flash ; elles n'établissent pas que chaque modèle pris en charge reproduirait la même analyse. BIG CHANGE n'a ni exécuté Antigravity ni répété les recherches dans les bases de données : la vitesse et l'évaluation du candidat rapportées restent donc le récit de Google, et non un résultat mesuré par nos soins.

Sources et lectures complémentaires